CN105590408A - 一种人体跌倒检测方法及保护装置 - Google Patents

Abstract

本发明公开了一种人体跌倒检测方法及保护装置，获取每个采样时间点的三轴合加速度、滚转角、俯仰角，设置滑动时间窗口，获得每一时间窗口内的各采样点的三轴合加速度的均值和标准差，获得在滑动时间窗口的最后一个采样点处人体相对站立时滚转角和俯仰角的变化量的绝对值之和，以该三个参数作为特征值；采用支持向量机算法构建分类器；获取跌倒样本和日常活动行为样本构成训练集，对分类器进行训练，获得训练后的分类器；采用训练后的分类器根据获取的人体实际传感数据进行跌倒检测。本发明跌倒行为的检测率为99.2%，日常活动行为的检测率为96%，平均前置时间达到273ms，为跌倒的实时预警以及保护装置的启动提供的反应时间。

Description

一种人体跌倒检测方法及保护装置

技术领域

本发明涉及一种人体防护的检测方法及防护装置，具体涉及一种人体路倒的检测方法以及在检测到人体跌倒时对人体进行保护的装置。

背景技术

跌倒是老年人常见的一种意外事件，老人常常因跌倒导致各种损伤，例如髋部骨折、颈部损伤、脑部损伤、以及各种软组织损伤及其它部位骨折等。

对人体跌倒事件的检测是进行防护的前提。现有技术中，人体跌倒检测方法主要有3类：基于视频图像的检测、基于音频或无线电等周围环境信号的检测和基于穿戴式设备的检测。基于视频图像检测的优点是人体不需要携带任何设备，缺点是视频图像受光线、环境等的影响较大，检测范围有限并涉及到个人隐私。基于周围环境信号检测的方法受周围环境的影响较大，无法得到很高的精度，一般只能作为辅助检测方法。基于穿戴式设备检测的方法因成本低，检测范围大，不受周围环境的影响，是目前研究和实际应用最多的跌倒检测方法。

例如，中国发明专利申请CN102117533A公开了一种人体跌倒检测保护与报警装置，包括跌倒检测部分、跌倒检测信息传输部分、跌倒位置检测部分和保护气囊。其采用穿戴式装置，试图通过获取跌倒检测信号来启动保护气囊，但是，与目前的绝大多数跌倒检测方法一样，采用设定阈值的方法进行检测。其采用了加速度传感器和陀螺仪，定义信号向量模SVM和运动角速度，（即为三轴合加速度），设定SVM阈值为1.8g-2.2g，运动角速度阈值为0.5rad/s-0.55rad/s，当SVM和人体运动角速度超过设定阈值时，判断人体发生跌倒。采用阈值检测方法属于事后检测，使得跌倒保护装置难以起到作用。

通过训练分类器的方法来进行人体状态判断，有可能比普通的阈值法更早地检测出跌倒的趋势，从而实现事前检测。但是，如何选择分类器使用的特征值，以及采用什么分类器，是能否真正实现事前检测的关键点。

因此，如何实现人体跌倒的事前检测，是目前实现人体跌倒保护所急需解决的问题。

发明内容

本发明的发明目的是提供一种人体跌倒检测方法，实现人体跌倒的事前检测，以给保护装置提供足够的反应时间；本发明的另一发明目的是提供一种采用这种检测方法的人体跌倒保护装置。

为达到上述发明目的，本发明采用的技术方案是：一种人体跌倒检测方法，包括：

1）特征值的获取：

①使用人体穿戴的三轴加速度仪和三轴陀螺仪进行采样，得到各个采样时间点的采样数据；

②根据步骤①得到的采样数据，分别计算获得每个采样时间点的三轴合加速度、滚转角、俯仰角，

其中，，a_x、a_y、a_z分别是三轴加速度，以水平面中正交的两个方向分别作为x轴和y轴，滚转角是绕x轴的姿态角，俯仰角是绕y轴的姿态角；

③设置滑动时间窗口的长度和相邻滑动时间窗口的叠加率，获得每一滑动时间窗口内的各采样点的三轴合加速度的均值和标准差，获得在滑动时间窗口的最后一个采样点处人体相对于直立状态时的滚转角和俯仰角的变化量的绝对值之和，以该三个参数作为特征值；

2）分类器的建立和训练：

采用支持向量机算法构建分类器，以步骤1）获得的三个参数作为分类器的输入特征值；

由进行训练的人员分别进行日常活动行为和不同的跌倒行为，获取跌倒样本和日常活动行为样本构成训练集，对分类器进行训练，获得训练后的分类器；

3）采用训练后的分类器根据获取的人体实际传感数据进行跌倒检测。

上述技术方案中，步骤1）之①中，采样频率通常与采用的传感器芯片的性能相关，采样频率过低将导致滑动时间窗口内的采样点个数不足，从而影响判断效果。因此，采样频率不小于50Hz。

优选的采样频率为100Hz。

上述技术方案中，滑动时间窗口的长度为100～300ms，窗口的叠加率为40%～60%。

滑动时间窗口的长度为100ms，窗口的叠加率为50%。

本发明同时提供一种人体跌倒保护装置，包括跌倒检测装置、保护气囊和驱动装置，其中，所述跌倒检测装置主要由三轴加速度仪、三轴陀螺仪和控制器构成，所述控制器中设有上述的训练后的分类器。

优选的技术方案，所述跌倒检测装置设置在人体的腰部。

上述技术方案中，所述驱动装置包括经过一控制阀与保护气囊连通的压缩气瓶，所述控制阀由所述控制器控制开闭。

所述保护气囊由分别穿戴在人们脆弱部位的多个气囊构成。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

1、本发明通过选择分别与加速度和角速度相关的三个参数，采用支持向量机算法训练分类器，实现了人体跌倒的事前检测，实验结果表明，跌倒行为的检测率为99.2%，日常活动行为的检测率为96%，对较为剧烈的日常活动行为，也有较高的检测率，平均前置时间达到273ms，为跌倒的实时预警以及保护装置的启动提供的反应时间。

2、本发明采用压缩气瓶的充气方式给气囊充气，避免了现有技术中采用***启动引起的瞬间冲击力造成的意外伤害，气囊可以作为穿戴设备配置在衣服内的人体的重要位置，比如髋部，头颈和其他关键位置，对人体起到良好的保护作用。

附图说明

图1是本发明实施例的方法流程图；

图2是实施例中一次向前跌倒的合加速度曲线图；

图3是实施例中一次向前跌倒的滚转角变化曲线图；

图4是实施例二中一次行走过程的加速度矢量和变化曲线。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例：参见图1所示，本实施例提供了一种人体跌倒检测方法，包括：获取训练数据，进行特征提取，得到训练样本，对分类模型进行训练，得到训练后的分类器。为检测其效果，获取测试数据，进行特征提取，采用训练后的分类器进行分类决策。

其中，进行特征提取时，选择特征值的具体考虑的因素表述如下：

本实施例中的采样频率为100Hz。

(1)加速度特征的选择：

在人体跌倒过程中，加速度会发生明显变化，考虑到前后左右不同的跌倒方向，取三轴合加速度：

；

图2所示是一次向前跌倒的合加速度曲线，可以看出，在跌倒过程中，合加速度先减小后增大，加速度最大的时刻也就是碰撞地面的时刻，跌倒事前检测就是要在这一时刻前检测跌倒。从检测到跌倒到碰撞地面之间的时间称为前置时间。相应地，在进行SVM模型训练和测试的时候，跌倒样本的采集也应该在这一时刻之前，并预留一定的时间。

考虑合加速度的大小和变化趋势，取长度为n（n个取样点）的滑动时间窗口，抽取如下加速度特征：

（1）合加速度的均值：

，i为在某一滑动时间窗口中取样点的序号。

（2）合加速度的标准差：

本实施例中，n取10，即滑动时间窗口长度为100ms，窗口的叠加率为50%，即当前窗口的后50%数据作为后一窗口的前50%数据。

(2)角度特征的选择：

在人体跌倒过程中，人体的姿态角也会发生明显变化，以向东为x轴、向北为y轴、向上为z轴建立人体三维坐标系，也称为东北天坐标系，绕x轴、y轴和z轴的姿态角分别称为滚转角γ、俯仰角θ和偏航角ψ。当人体前后跌倒时，γ发生变化，左右跌倒时，θ发生变化。当人体运动较为剧烈的时候，由于传感器无法区分重力加速度和自身加速度，姿态角不能通过加速度直接求得，需要进行姿态解算，常用的姿态解算方法是四元数法。

四元数是由四个元构成的数：

四元数法引入代数学中的四元数这个工具来弥补用欧拉角描述刚体角运动时的不足。姿态解算的基础是坐标变换，任何姿态变化都可以认为是在瞬间通过三次绕轴转动的角度合成，这种转动次序是不能变化的，人体的空间姿态可看作依次绕z轴、y轴、x轴作基本旋转后的复合结果。经过一系列数学转换，用四元数表示的姿态角为：

。

所以，如果四元数Q确定，则可计算出滚转角γ和俯仰角θ。经过数学推导，四元数微分方程可以表示为：

其中：，、、表示三轴角速度，采用毕卡算法求解该微分方程，解得：

其中：I是单位矩阵，，，、、为x、y、z轴在采样时间间隔内的角增量。

图3所示是一次向前跌倒的滚转角变化曲线，最后的角度是碰撞地面时刻的角度，可以看出，角度的变化接近90°，同样，向后、向左、向右跌倒时，角度的变化也接近90°。考虑到不同的跌倒方向，将相对站立时滚转角和俯仰角的变化量的绝对值之和作为角度特征。

由此，一共提取了3个特征，滑动时间窗口内加速度的均值、标准差，以及相对站立时滚转角和俯仰角的变化量的绝对值之和。

为验证本实施例的方法，制备了穿戴式设备。穿戴式设备由MEMS传感器模块、蓝牙模块和锂电池组成。MEMS传感器模块包括惯性传感器MPU6050，MPU6050本身整合了三轴加速度仪和三轴陀螺仪。传感器模块以100Hz的频率分别采集三轴加速度和三轴角速度，通过蓝牙模块传给PC上位机，PC上位机采用VisualC++6.0编写数据采集和数据处理程序。

由于人体的头部、手腕、大臂等部位的日常活动频繁，将传感器佩戴在这些地方容易造成误警报，而放置于胸部往往影响穿戴者的主观感受，人体工程学数据显示，直立状态下人体的重心位置大约在人体身高的56%处，因此将传感器穿戴在人体腰部是比较合适的，由人体日常行为带来的干扰也较小。

采用该装置进行上述特征的采集。

分别采集跌倒样本和日常活动行为样本进行SVM模型训练和测试。本实施例定义4种跌倒方式：向前跌倒、向后跌倒、向左跌倒和向右跌倒。定义10种日常活动行为：站立、坐下、从坐下起立、蹲下、从蹲下起立、弯腰、躺下、从躺下坐起、行走和慢跑。实验人数为5人，年龄23±1.3，身高171.4±2.2cm，体重61.2±4.6kg，跌倒实验在4m×1m×0.2m的海绵垫子上完成。将得到的跌倒样本和日常活动行为样本分为训练样本集和测试样本集，样本集的组成见表1。

表1样本集的组成

样本集	跌倒样本数	日常活动行为样本数
			训练集	50	50
测试集	250	250

训练样本集用于训练SVM模型，测试样本集用于评估分类的准确性。采用LIBSVM开发包来实现SVM算法。跌倒检测的准确性可用以下2个指标来衡量：

其中：TP表示跌倒发生并检测到的样本数，FN表示跌倒发生但漏报的样本数，TN表示日常行为发生并检测到的样本数，FP表示将日常行为误认为是跌倒的样本数。

预留不同的时间来采集跌倒样本，同时对比仅采用加速度特征、仅采用角度特征以及结合加速度特征和角度特征的情况，进行模型训练和测试，实验结果如下：

表2仅采用加速度特征

指标	100ms	150ms	200ms	250ms	300ms
						Sen/%	98.8	98	98	99.2	99.2
Spe/%	65.2	69.2	71.6	64.8	42

注：Sen=Sensitivity;Spe=Specificity

从表2可以看出，仅采用加速度特征时，预留200ms采集的跌倒样本训练得到的模型准确性最好。

表3仅采用角度特征

指标	100ms	150ms	200ms	250ms	300ms
						Sen/%	99.2	99.2	99.2	99.2	99.2
Spe/%	92	91.6	88.8	74	75.6

从表3可以看出，仅采用角度特征时，预留100ms采集的跌倒样本训练得到的模型准确性最好。

表4结合加速度特征和角度特征

指标	100ms	150ms	200ms	250ms	300ms
						Sen/%	99.2	99.2	99.2	99.2	99.2
Spe/%	95.6	92.8	96	86	76

从表4可以看出，结合加速度特征和角度特征时，预留200ms采集的跌倒样本训练得到的模型准确性最好。对比这三种情况的最优检测结果，如下表所示：

表5对比结果

指标	仅加速度	仅角度	加速度和角度5 -->
				Sen/%	98	99.2	99.2
Spe/%	71.6	92	96

从表5可以看出，结合加速度特征和角度特征的结果优于采用单一的加速度特征或角度特征。分析数据发现，仅采用加速度特征时，快速蹲下、慢跑等加速度变化较剧烈的日常行为容易被误认为是跌倒行为，仅采用角度特征时，弯腰、躺下等角度变化较大的日常行为容易被误认为是跌倒行为。

将该最优SVM模型导入PC上位机程序，设置100ms的滑动时间窗口，50%的窗口叠加率，统计250组跌倒测试样本的前置时间，结果见表6。

表6前置时间统计

最低	最高	平均
			130ms	570ms	273ms

可见，本实施例中，采用本发明的方法，跌倒行为的检测率为99.2%，日常活动行为的检测率为96%，对较为剧烈的日常活动行为，也有较高的检测率，平均前置时间达到273ms，为跌倒的实时预警以及保护装置的启动提供时间。

实施例二：采用实施例一所述的方法，改变滑动窗口的长度进行训练试验。

参见附图4所示，是一次行走过程的加速度矢量和变化曲线，首先定义窗口长度w和窗口的叠加长度o，对于一段时序数据，第一个窗口表示为，对这个窗口内的数据提取加速度和角速度特征。由于窗口的叠加长度为o，则下一个窗口的数据表示为，继续对这个窗口的数据进行处理，以此类推，因此一次日常行为可以采集多组日常行为样本。实验中每种日常行为的完成时间为5秒，日常行为样本采集的滑动窗口长度w同样取100ms，窗口叠加率取50%，即当前窗口的后50%数据作为下一窗口的前50%数据，从中选择数据变化较剧烈的样本，即容易误判为跌倒的样本，共得到300组日常活动行为样本。

采用不同的滑动窗口长度w进行取样，在发生跌倒行为的实样中，取样的滑动窗口至实际跌倒的预留时间为t，结果如下表所示：

w/ms	t/ms	Sensitivity/%	Specificity/%	前置时间/ms
					100	200	99.6	96.8	283
150	150	100	96	269
					200	200	100	78	296
250	150	99.6	100	271
					300	150	99.6	99.6	266

从上表可以看出，当w取250ms，预留时间t为150ms时，样本训练得到的跌倒检测模型准确性最好，以此跌倒检测模型作为最优跌倒检测模型，此时跌倒行为检测率为99.6%，只有1组跌倒行为没有在跌倒碰撞地面前检测到，日常活动行为检测率为100%，没有出现误判，对于像慢跑这样比较剧烈的日常活动行为，也有很高的检测率。跌倒检测的平均前置时间为271ms，249组检测到的跌倒行为的前置时间分布情况见下表。

前置时间分布

前置时间分布区间	样本组数6 -->
		<100ms	0
100~200ms	15
		200~300ms	185
300~400ms	46
		>400ms	3

可见，本实施例能有效进行跌倒检测，并且具有足够的前置时间，可以用于人体跌倒保护装置的控制。

Claims (9)

1.一种人体跌倒检测方法，其特征在于，包括：

1）特征值的获取：

①使用人体穿戴的三轴加速度仪和三轴陀螺仪进行采样，得到各个采样时间点的采样数据；

②根据步骤①得到的采样数据，分别计算获得每个采样时间点的三轴合加速度、滚转角、俯仰角，

其中，，a_x、a_y、a_z分别是三轴加速度，以水平面中正交的两个方向分别作为x轴和y轴，滚转角是绕x轴的姿态角，俯仰角是绕y轴的姿态角；

③设置滑动时间窗口的长度和相邻滑动时间窗口的叠加率，获得每一滑动时间窗口内的各采样点的三轴合加速度的均值和标准差，获得在滑动时间窗口的最后一个采样点处人体相对于直立状态时的滚转角和俯仰角的变化量的绝对值之和，以该三个参数作为特征值；

2）分类器的建立和训练：

采用支持向量机算法构建分类器，以步骤1）获得的三个参数作为分类器的输入特征值；

由进行训练的人员分别进行日常活动行为和不同的跌倒行为，获取跌倒样本和日常活动行为样本构成训练集，对分类器进行训练，获得训练后的分类器；

3）采用训练后的分类器根据获取的人体实际传感数据进行跌倒检测。

2.根据权利要求1所述的人体跌倒检测方法，其特征在于：步骤1）之①中，采样频率不小于50Hz。

3.根据权利要求2所述的人体跌倒检测方法，其特征在于：采样频率为100Hz。

4.根据权利要求1所述的人体跌倒检测方法，其特征在于：滑动时间窗口的长度为100～300ms，窗口的叠加率为40%～60%。

5.根据权利要求1所述的人体跌倒检测方法，其特征在于：滑动时间窗口的长度为100ms，窗口的叠加率为50%。

6.一种人体跌倒保护装置，包括跌倒检测装置、保护气囊和驱动装置，其特征在于：所述跌倒检测装置主要由三轴加速度仪、三轴陀螺仪和控制器构成，所述控制器中设有权利要求1中所述的训练后的分类器。

7.根据权利要求6所述的人体跌倒保护装置，其特征在于：所述跌倒检测装置设置在人体的腰部。

8.根据权利要求6所述的人体跌倒保护装置，其特征在于：所述驱动装置包括经过一控制阀与保护气囊连通的压缩气瓶，所述控制阀由所述控制器控制开闭。

9.根据权利要求6所述的人体跌倒保护装置，其特征在于：所述保护气囊由分别穿戴在人体脆弱部位的多个气囊构成。